《表2 车辆检测及定位的平均精度对比》
单位:%
在同样的运行环境条件下,将同样处理好的点云数据投入VoxelNet进行训练,与本文设计的深度神经网络架构结果对比如表2和表3所示,采用KITTI数据集评价体系,对车辆检测不同算法所得到平均精度进行比较。表2和表3中的算法VeloFCN、Complex-YOLO和VoxelNet分别指文献[26]、[17]和[6]的实验检测结果,训练采用的数据均为原始点云数据。VoxelNet(filtered)指的是VoxelNet模型训练并使用滤波处理后的数据;VNMax指的是本文沿用VoxelNet的体素编码网络并嵌入最大池化层的新深度神经网络模型,并且对原始点云数据作滤波处理。表中简单、中等和困难分别表示KITTI数据检测任务的难易程度,即点云数据的稀疏程度。困难程度的点云数据最稀疏,训练学习难度最大。
图表编号 | XD00197737000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.10 |
作者 | 彭育辉、郑玮鸿、张剑锋 |
绘制单位 | 福州大学机械工程及自动化学院、福州大学机械工程及自动化学院、福州大学机械工程及自动化学院 |
更多格式 | 高清、无水印(增值服务) |